Pendekatan Multi-Hirarki untuk Grading Sarang Burung Walet Berdasarkan Deteksi Bentuk dan Klasifikasi Warna: Multi-Hierarchical Machine Learning Approach for Edible Bird’s Nest Grading Based on Shape Detection and Color Classification

Abstrak

Sarang burung walet (SBW) merupakan komoditas bernilai ekonomi tinggi yang grading-nya masih banyak dilakukan secara manual sehingga rentan terhadap subjektivitas dan inkonsistensi, khususnya pada penilaian bentuk dan warna. Penelitian ini bertujuan mengembangkan sistem grading SBW yang objektif dan konsisten pada tahap bahan mentah melalui pendekatan multi-hirarki berbasis machine learning. Sistem terdiri dari dua level: deteksi bentuk menggunakan YOLOv8 untuk mengklasifikasikan tiga kategori utama (mangkok, oval, segitiga), dan analisis warna pada area sarang hasil cropping melalui segmentasi HSV lalu klasifikasi di ruang warna CIELAB. Model dilatih menggunakan 840 citra (3360 objek) dan diuji pada 120 citra (480 objek), dengan evaluasi performa deteksi dan klasifikasi secara kuantitatif. Hasil eksperimen menunjukkan YOLOv8 mencapai mAP@0,5 sebesar 99,5% dengan presisi dan recall sangat tinggi pada semua kelas bentuk, sedangkan analisis warna menghasilkan distribusi kuantitatif warna putih, kuning, dan kuning sekali tanpa tumpang tindih antar kelas. Pendekatan ini mengintegrasikan deteksi bentuk real-time berbasis YOLOv8 dengan klasifikasi warna perceptually uniform CIELAB, menghasilkan sistem grading SBW yang akurat, konsisten, dan aplikatif di industri, sekaligus menghadirkan metode terintegrasi yang lebih komprehensif dibandingkan penelitian sebelumnya yang hanya menekankan salah satu aspek, bentuk atau warna.